HAL Id: hal-00932331
https://hal.archives-ouvertes.fr/hal-00932331
Submitted on 16 Jan 2014
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Identification des espèces d’arbres à partir de données T-LiDAR Tree species identification using T-LiDAR
data
Ahlem Othmani, Christophe Stolz, Lfc. Lew Yan Voon, Alexandre Piboule
To cite this version:
Ahlem Othmani, Christophe Stolz, Lfc. Lew Yan Voon, Alexandre Piboule. Identification des espèces d’arbres à partir de données T-LiDAR Tree species identification using T-LiDAR data. Orasis 2013, Jun 2013, cluny, France. �hal-00932331�
Identification des espèces d’arbres à partir de données T-LiDAR Tree species identification using T-LiDAR data
Ahlem OTHMANIa,b, Christophe STOLZa, Lew F.C. LEW YAN VOONa et Alexandre PIBOULEb
aLaboratoire LE2I – UMR CNRS 6306, 12 rue de la fonderie, 71200 Le Creusot, France {ahlem.othmani, christophe.stolz, lew.lew-yan-voon}@u-bourgogne.fr
bOffice National des Forêts, Pôle R&D de Nancy, 11 rue de l’Ile de Corse, 54000 Nancy, France [email protected]
Résumé
En raison de l'utilisation croissante des scanners LiDAR terrestre (T-LiDAR) dans le domaine forestier, le développement d'outils logiciels pour la mesure automatique d'attributs d'inventaire forestier est devenu un domaine de recherche important. De nombreux travaux portant sur la localisation des arbres dans un nuage de points, la mesure du diamètre à hauteur de poitrine (DHP) ou la mesure de la hauteur des arbres ont été décrits dans la littérature. Cependant, le problème de l'identification des espèces d'arbres à partir de données T-LiDAR a été peu abordé. La plupart des travaux utilisent des données LiDAR aéroportées et les espèces des arbres sont déterminées à l'échelle du massif forestier. Dans cet article, nous proposons une méthode d'identification de l'espèce d'un arbre parmi cinq espèces différentes, basée sur l'analyse de la texture géométrique 3D de l'écorce extraite d'un segment de tronc. Les caractéristiques de texture sont calculées en utilisant les transformées en ondelettes complexes et les Contourlets.
Pour la classification, nous avons utilisé l’approche des Forêts Aléatoires (Random Forest). Nos premiers résultats sont encourageants et confirment notre hypothèse selon laquelle le nuage de points 3D de l'écorce d'un arbre contient des informations caractéristiques permettant de déterminer l'espèce d'un arbre.
Mots Clef
Identification d’espèces d’arbre, inventaire forestier, classification de textures géométriques 3D.
Abstract
Due to increasing use of Terrestrial Light Detection and Ranging (T-LiDAR) scanners in the forestry domain for forest inventory, the development of software tools for the automatic measurement of forest inventory attributes has become a major research field. Numerous research work on the localization of the trees in a laser scan, the measurement of the Diameter at Breast Height (DBH), the measurement of the height of the trees, and so on, have been reported in the literature. However, to the best of our knowledge the problem of identifying tree species from T-LiDAR data has received very little attention from
the scientific community. Most of the research work use airborne LiDAR data and measure tree species attributes at a forested massif scale. In this paper we propose a method for individual tree species classification of five different species based on an analysis of the 3D geometric texture of the bark extracted from a segment of the tree trunk. Texture features are computed using Complex Wavelet Transforms and the Contourlet Transform and classification is done using Random Forest classifier. The results obtained are very encouraging and promising.
They confirm our assumption that 3D point cloud of tree barks contains 3D information on the tree species.
Keywords
Single tree species identification, forest inventory, 3D geometric texture classification.
1. Introduction
Ces dernières années, l’usage de systèmes de mesure LiDAR (Light Detection and Ranging), aéroporté ou terrestre [1, 2], dans le domaine forestier connait un intérêt grandissant. Les méthodes aéroportées de télédétection ont l’avantage de fournir des cartographies de variables de niveau peuplement à l’échelle de massifs forestiers. Mais, elles manquent en général de précision pour des estimations locales précises, en particulier dans le cas de peuplements hétérogènes. Elles permettent des évaluations globales de la ressource sur de vastes échelles ainsi qu’un zonage des peuplements, mais elles sont souvent insuffisamment précises pour réaliser des inventaires forestiers. Ainsi, pour estimer des variables dendrométriques telles que la densité de tiges, la structure fine des peuplements ou des notions de qualité, il est nécessaire de réaliser des placettes d’inventaire sur le terrain. Les scanners LiDAR terrestres fournissent alors des nuages de points denses avec une précision allant du centimètre à quelques millimètres. Par exemple, le nuage de points d’une placette obtenu à l’aide du scanner Faro Photon 120™ peut contenir 44 millions de points.
Automatiser le traitement est alors indispensable pour extraire les paramètres recherchés: localisation des arbres, hauteur, diamètre à hauteur de poitrine, volume de bois,
…. L’Office National des forêts a ainsi développé le logiciel "Computree" afin d’estimer les paramètres cités [3]. L’objectif du travail développé dans ce papier est à
terme de fournir une extension du logiciel permettant l’identification automatique des espèces d’arbres dans les données 3D. Jusqu’à maintenant cette identification est effectuée à partir de données issues de scanners LiDAR aéroportés [4-6] où à l’aide de photographies haute résolution [7, 8]. L’utilisation conjointe de données aéroportées et d’images multispectrales a également été décrite dans la litérature [9]. Puttone et al. [10] ont ainsi étudié la classification de trois différentes espèces boréales: le bouleau (Betula pubescens), l'épicéa de Norvège (Picea abies) et le pin sylvestre (Pinus sylvestris) en analysant deux séries de données acquises par deux LiDAR terrestres différents: un système hyperspectral actif qui fournit des données de réflectance en utilisant un laser dans la gamme de longueurs d'onde de 500 à 2400 nm et un système de numérisation 3D qui fournit un nuage de points 3D. Les deux séries de données sont d'abord traitées séparément, puis combinés, pour classifier 24 échantillons des trois espèces considérées à l'aide d’un classifieur SVM (Support Vector Machine). Les données de réflectance obtenues avec un laser dans la gamme de longueurs d'onde de 500 à 900 nm, sont utilisées, seules ou par paires, comme paramètres de classification. En ce qui concerne les données 3D, 40 paramètres de forme sont calculés et utilisés, seuls ou par pairs, comme paramètres de classification. Dans une troisième expérience, les auteurs ont utilisé des combinaisons de toutes les paires de paramètres de réflectance et de paramètres de forme qui ont donné plus de 85% de bonne classification lorsqu'ils sont utilisés séparément. Ils ont noté que presque toutes les combinaisons étudiées ont une précision de classification ou taux de bonne classification supérieure à 70%, et que 12,2% des combinaisons donnent un taux de bonne classification de 100% pour toutes les espèces. De même, la précision de classification la plus élevée est obtenue avec les valeurs de réflectance obtenues avec un laser dans la gamme de longueurs d'onde de 550-580 nm avec les trois paramètres de forme suivants: densité de points entre 0,5 et 0,6 à la hauteur normalisée, densité de points entre 0,8 et 0,9 à la hauteur normalisée, et 70% du quantile de la hauteur de l'arbre à partir de sa cime.
Nous proposons dans ce papier une approche pour l'identification de cinq espèces d'arbres basée sur une approche texture en utilisant uniquement les données géométriques des troncs extraits du nuage de point scanné sur le terrain à l'aide d'un T-LiDAR. Nous nous intéressons à 5 espèces communes des forêts du nord de la France: le charme, le hêtre, le chêne, le pin et l'épicéa.
Les critères habituellement utilisés pour identifier l’essence d'un arbre sont: la forme des feuilles, la forme générale de la couronne et les variations de la géométrie de la surface de l'écorce ou texture géométrique 3D de l'écorce. Considérant que les inventaires sont la plupart du temps réalisés en hivers, pour minimiser les occultations dues aux feuilles, et surtout pour effectuer des mesures
hors période de croissance des arbres, la reconnaissance par la forme des feuilles n’est pas envisageable.
La forme générale des houppiers est assez caractéristique des espèces pour des arbres isolés. Mais en peuplements forestiers, le type de gestion et la densité l’impactent fortement, rendant ce critère très polymorphe, et difficilement utilisable, en tout cas seul. Enfin, l’écorce est probablement le critère le plus discriminant des espèces, même si elle est sujette à changer au cours de la vie de l'arbre en raison de l'âge, des blessures et de la modification du modèle de croissance due à des perturbations de l'environnement.
Nous proposons donc une méthode de détermination de l'espèce par l'analyse des variations géométriques de la surface 3D de l'écorce selon deux étapes principales. La première étape consiste à générer une carte de hauteur relative: représentation 2D de la texture géométrique 3D d'un segment du tronc de l'arbre de 30 cm de long extrait à hauteur de poitrine (1,30 m), appelé un "patch". La seconde étape effectue une analyse multirésolution en appliquant les transformées en ondelettes complexes (CWT) et les Contourlets (CT) aux cartes de hauteurs afin d'extraire des caractéristiques de texture qui seront utilisées comme paramètres d'entrée d'un classifieur
"Random Forest". La première étape est décrite dans la section 2 et la deuxième étape dans la section 3. La section 4 résume le processus expérimental et analyse les résultats obtenus. Notre méthode a été évaluée en utilisant un ensemble de données de 230 patchs: 46 patchs pour chacune des 5 espèces d'arbres à identifier. Enfin, quelques conclusions et perspectives sont données dans la section 5.
2. Carte de hauteurs
La surface 3D d'une écorce peut être considérée comme la combinaison d'une surface lisse qui représente la forme principale du tronc d'arbre et des variations géométriques locales caractéristiques de la nature de l'écorce. Pour extraire ces variations géométriques nous avons tout d'abord appliqué au nuage de points un filtre de suppression de bruit implémenté dans le logiciel RapidForm™ afin de supprimer les points aberrants. Le nuage de points est ensuite maillé et lissé par la méthode de Taubin [11]. Enfin, la différence entre le maillage initial et le maillage lissé est calculée donnant une carte 3D de déviation dont la dimension est réduite de 3D à 2D par une opération d'aplatissement de la surface 3D pour obtenir la carte de hauteurs.
2.1. Lissage du maillage
Le lissage Laplacien est une méthode courante pour le lissage des maillages. Il consiste à déplacer de manière itérative chacun des sommets du maillage vers une nouvelle position correspondant à la position moyenne pondérée des sommets voisins. En d'autres termes le sommet est déplacé, ou diffusé, vers le barycentre de ses
voisins. La nouvelle position d'un sommet i est donnée par l'équation suivante:
′ = + ∆ (1)
où est la position actuelle, λ un scalaire qui contrôle la vitesse de diffusion et Δ l'opérateur Laplacien, une somme pondérée de la différence entre le sommet courant
et ses voisins , donnée par:
Δ = , −
∗ (2)
où ∗ est l'ensemble de tous les voisins du sommet . Le lissage Laplacien améliore généralement les irrégularités géométriques d'un maillage. Cependant, quand un grand nombre d'étapes de lissage sont effectuées, un rétrécissement ("shrinkage") de la forme apparaît. Pour résoudre ce problème, Taubin a introduit l'algorithme λ/µ qui consiste à effectuer le lissage en deux étapes avec différents facteurs d'échelle notés λ et µ: un premier lissage avec λ > 0 (étape de rétrécissement) et un second avec un facteur d'échelle négatif µ < -λ <0 (étape d'agrandissement). Pour obtenir le maillage lissé qui représente la forme principale du tronc d'arbre, nous appliquons itérativement le lissage de Taubin avec des poids égaux pour chaque voisin et de telle sorte que
∑ = 1 avec λ et µ respectivement égaux à 0,6307 et -0,6732 (valeurs suggérées par Taubin). Le nombre d'itérations dépend toutefois du maillage à analyser. Un nombre fixe d'itérations n'est pas une bonne solution car il ne serait très probablement pas en mesure de donner la meilleure approximation. Nous avons donc besoin de définir une condition d'arrêt adaptée au maillage.
2.2. Condition d’arrêt
L'objectif est d'obtenir un maillage suffisamment lissé où la structure principale du tronc est préservée et tous les détails géométriques filtrés. De cette façon, en calculant l'écart entre le maillage initial et le maillage lissé, nous conservons uniquement les détails géométriques de l'écorce.
La régularité d'un maillage est évaluée par le calcul des courbures en tout point du maillage. Nous considérons que la surface est lisse si aucune variation significative des courbures n’est mesurée après deux étapes successives de lissage de Taubin. Nous avons étudié l'évolution de la médiane des courbures minimales, maximales, moyennes et Gaussienne selon le nombre d'itérations pour plusieurs échantillons des cinq espèces à identifier. Constatant qu'il n'y ait pas de différence significative entre ces quatre types de valeurs de courbure, nous avons décidé de conserver la médiane des courbures maximales.
La figure 1 représente un exemple de courbe obtenue sur un maillage caractéristique de chaque espèce. Notons que
la forme des courbes est presqu'identique pour les cinq espèces. La différence réside dans les valeurs de courbure.
Les évolutions de ces courbes et de la pente de la tangente en tout point des courbes sont toutes deux des fonctions décroissantes par rapport au nombre d'itérations de lissage. L’important n'est donc pas la valeur de la courbure, mais la variation de celle-ci. Plus le maillage devient lisse et plus la pente de la tangente à la courbe de courbure en fonction du nombre d'itérations diminue jusqu'à la limite 0 qui signifie qu'il n'y a pas de changement entre deux étapes consécutives de lissage, le maillage peut dans ce cas être considéré comme étant totalement lisse. Nous avons ainsi décidé d'arrêter les étapes de lissage lorsque la valeur absolue de la pente de la tangente à la courbe est inférieure ou égale à 0,01. Le maillage obtenu est alors suffisamment lissé, tout en préservant la structure principale du tronc.
Figure 1: Médiane de la courbure maximale en fonction du nombre d’itérations évaluée sur un maillage de chaque
espèce d’arbre
2.3. Carte de déviation 3D
L'écart entre le maillage original et le maillage lissé représente les détails géométriques. Pour calculer cet écart, nous avons besoin d'établir une correspondance entre les maillages et en tenant compte du fait que le temps de calcul est un critère essentiel dans notre application. Pour chaque sommet v du maillage original , nous déterminons son correspondant le plus proche noté dans le maillage lissé à l'aide de l'arbre des boîtes englobantes alignées (Aligned Axis Bounding Box) [12] et calculons la distance euclidienne entre les points v et . Nous avons ensuite affecté au sommet du maillage lissé la valeur de l'écart obtenue ce qui nous donne la carte de déviations 3D. Figure 2 représente un exemple d'une carte de déviation.
0 20 40 60 80
0 5 10 15 20
Nombre d 'itérations de lissage
Mediane des courbures maximales
Hetre Pin Epicea Chene Charme
Figure 2: Exemple de carte de dév
2.4. Calcul de la carte de hauteu
Cette étape consiste à transformer la carte l'écorce en une image 2D qui peut êt appliquer les algorithmes d'analyse de t d'un problème de réduction des dime contrainte de préserver la géométrie données. Les deux techniques classiques la dimensionnalité sont l'analyse en principales (ACP) et le "Multidimen (MDS). Cependant, ces méthodes ne sont pour traiter notre carte de déviations, c techniques linéaires et notre ensemb contient des structures non-linéaires. La m proposée par Tenenbaum et al. [13] pour linéaires est une solution plus appro minimise la distorsion géodésique entre surface 3D. L'algorithme Isomap, décrit [13] est composé de trois étapes qu résumées comme suit:
• Étape 1: Pour chaque point de l'espa d'entrée, déterminer l'ensemble de ses voisins et représenter la relation de v graphe où les poids sont les distances de points.
• Étape 2: Estimer les distances gé toutes les paires de points en calculan chemin dans le graphe pondéré et cal de distances au graphe.
• Etape 3: Appliquer la méthode MDS matrice de distances afin de génére cartographie des données dans un espa dimensions qui préserve au mieux intrinsèque de la surface.
Isomap nous permet de transformer déviations, un nuage de points dans un e nuage de points dans un espace 2D op suivante consiste à transformer ce nuage une image 2D à pas régulier afin d'obte hauteurs relatives. Pour ce faire, une résolution en x et y de 1 mm × 1 mm est points. Chacune des cellules de la grill pixel de l'image 2D. L'intensité d'un pixe effectuant la moyenne des valeurs de l'é points appartenant à la cellule qui est ensu un niveau de gris dans une échelle com
déviations
teurs
rte de déviation de être utilisée pour e texture. Il s'agit mensions avec la e intrinsèque des es de réduction de en composantes ensional Scaling"
nt pas appropriées , car ce sont des ble de données a méthode Isomap ur des variétés non propriée car elle re les points sur la crit en détail dans qui peuvent être space des données ses k plus proches e voisinage par un ces entre les paires géodésiques entre lant leur plus court calculer la matrice DS classique à la érer une nouvelle space Euclidien à d eux la géométrie r notre carte de espace 3D, en un optimum. L'étape ge de points 2D en btenir l'image des e grille avec une est répartie sur les rille représente un xel est calculée en l'écart de tous les nsuite convertie en omprise entre 0 et
255. En raison des occultatio segment de tronc et de l'irrég 3D initial, certaines cellules n Dans ce cas nous effectuons afin d'attribuer des valeurs à présente en première ligne u triangulaire pour nos 5 es deuxième ligne, un exempl correspondante.
charme chêne hêtr Figure 3: Exemple de mai profondeur pour chaq On peut remarquer que les im différentes propriétés de textu chaque espèce. Le problèm espèces d'arbres a été ram classification de texture 2D.
3. Analyse et classific géométrique
3.1. Analyse de la textu
Un grand nombre de techniqu été proposées ce dernières ann divisées en quatre catégorie basée sur un modèle et basée s et domaine fréquentiel). L statistiques ou basée sur un m des pixels sur un voisinage principalement utilisées pour l ne sont pas bien adaptées extraire des caractéristiques ailleurs, selon Chang et Kuo [ ne pas être suffisantes po modélisable par un signal qu cas, les techniques les multirésolution basées sur les ou les Contourlets semblent permettent la détection des différentes directions et à diffé Toutefois, la transformée en o (DWT) est limitée sur de directionnelle et l'invariance n'autorise en effet que troi détails: horizontaux, verticaux parfois limiter la détection l'analyse de textures.
tions pendant le scanning du régularité du nuage de points s ne contiennent aucun point.
ns une interpolation bicubique s à ces cellules. La figure 3 un exemple de maillage 3D espèces d'arbres, et sur la ple de l'image de hauteur
être pin épicéa
aillage 3D et d'images de haque espèce d'arbre.
s images de hauteurs révèlent xtures 3D caractéristiques de ème de la classification des ramené à un problème de
ification de la texture xture
iques d'analyse de texture ont années [14]. Elles peuvent être ries: structurelles, statistique, sur un filtre (domaine spatial Les méthodes structurelles, n modèle analysent l'intensité de petite taille. Elles sont r l'analyse de microtextures et s aux macrotextures et pour s à différentes échelles. Par [15] ces méthodes pourraient pour des images naturelles quasi-périodique. Dans notre s plus récentes d'analyse les transformées en ondelettes nt être plus adéquates. Elles s détails et du contour dans ifférentes échelles.
n ondelettes discrète classique deux points: la sélectivité nce en translation. Celle-ci rois directions d'analyse des aux et diagonaux, ce qui peut on de certains contours et
De nombreuses variantes de DWT l'invariance en translation ont été proposé années, mais elles présentent une grande r les coefficients et nécessitent des c Contrairement à ces formes modifiées transformée en ondelettes complexe, "Dua Wavelet Transform" (DT-CWT), Kingsbury [16] est quasi invariante en efficace à calculer. Son évaluation néces de filtres distincts pour calculer les valeur banc de filtres pour la partie réelle et un partie imaginaire. Dans le cas 2D, la ondelettes complexe discrète (DT-CWT filtres d'ondelettes pour extraire des inform directions d'analyse (±15°, ±45° et ±75°) la sélectivité directionnelle de DT-CWT [17, 18] ajoutent six autres filtres direct existants de DT-CWT par rotation de 45 douze orientations: 0°, ±15°, ±30°, ±45°, 120° (Figure 4). Selon les auteurs, DT-RC amélioration de la performance de la rec texturées à la fois en termes de précision calcul.
a) b)
Figure 4: Partition de l'espace des fréque transformée en ondelettes complexe b)
nouvelles orientations Afin de comparer les résultats obte transformées, nous avons également cons caractéristique à l'aide des coefficien transformée en Contourlets introduite pa [19]. Celle-ci permet de détecter les présents dans les images naturelles.
3.2. Méthode de Classification
Dans les techniques de classification de te l'analyse multirésolution par ondelettes, il d'utiliser l'énergie ( ), la moyenne ( ( ) des coefficients d'ondelettes à travers données par les équations 3 à 5:
= 1
! | # , $
%
&' (
&'
1
! | # , $
%
&' (
&'
qui approxime osées ces dernières e redondance dans calculs coûteux.
ées de DWT, la ual-Tree Complex introduite par en translation et cessite deux bancs eurs complexes: un un second pour la la transformée en WT) requiers six ormations dans six
°). Pour améliorer T, Kokare et al.
ectionnels aux six 45°, afin d'obtenir 5°, ±75°, 60°, 90°, RCWF permet une recherche d'images ion et de temps de
uences a) selon la b) avec les six btenus avec ces onstruit un vecteur ients issus de la par Do et Vetterli contours lisses
texture basées sur , il est très courant ) et l'écart type ers les sous-bandes
# $)|* (3)
# $)| (4)
+ 1
!
%
&' (
&'
où est une image de sous m × n pour construire les vec dimension D donnée par l'équ de niveaux de décomposition, sous-bande.
, 3 . La classification est effectuée basé sur les arbres de décision proposé par Breiman [20]. Ch construit à partir d'un caractéristiques, ou données d'une sélection aléatoire d'env caractéristiques de l'ensembl sans remplacement. Le tiers r bag", est utilisé pour estimer chaque arbre de décision et construit dans toute son étendu chaque noeud, la meilleure sous ensemble aléatoire de ca parmi les données "in-bag" a nombre d'arbres est un para déterminer la classe d'un éch testé dans tous les arbres. Cha la classe à laquelle appartient qui obtient le plus grand nomb
4. Résultats expérimen
La méthodologie présentée da est évaluée sur un ensemble espèces différentes d'arbres (F espèce. Cela correspond à un e images de hauteurs. Pour cha de données est subdivisé alé d'apprentissage composé des chaque espèce (par exemple chaque espèce). Cela donne u 155 patchs où toutes le équitablement représentées stratifié). Les 75 patchs restant 5 espèces) sont utilisés comme Les transformées en ondelette CWT et DT-RCWF ainsi qu combinaison de ces trois tran à l'ensemble des données décomposition. Cela génère 2 des transformées DT-CWT bandes pour les Contourlets.
moyenne et de l'écart type d pour toutes les sous-bandes
# # , $) )*
'
(5)
us-bande au niveau k de taille ecteurs de caractéristiques de quation 6, où N est le nombre n, et M le nombre d'images de
(6) uée en utilisant un classifieur ion, le "Random Forest" (RF) Chaque arbre de décision est n ensemble de vecteurs es "inbag", qui est composé nviron deux tiers des vecteurs ble d'apprentissage, avec ou s restant, ou données "out-of- er l'erreur de classification de
et de la forêt. Un arbre est ndue possible en utilisant, pour e caractéristique à partir d'un caractéristiques sélectionnées afin de diviser le nœud. Le aramètre du classifieur. Pour chantillon d'essai, celui-ci est haque arbre génère un vote et ent l'échantillon testé est celle mbre de votes.
entaux
dans les sections précédentes le de données contenant cinq Figure 3), avec 46 patchs par n ensemble de données de 230 chaque expérience, l'ensemble aléatoirement en un ensemble s deux tiers des patchs pour le 31 patchs des 46 patchs de e une base d'apprentissage de les espèces d'arbres sont s (échantillonnage aléatoire ants (15 patchs de chacune des me base de test.
ettes discrètes complexe, DT- que les Contourlets puis une ansformations sont appliquées ées jusqu'à 4 niveaux de e 24 sous-bandes dans le cas et DT-RCWF, et 32 sous- . Le calcul de l'énergie, de la des coefficients d'ondelettes es donne un vecteur de 72
caractéristiques pour les transformées DT-CWT et le DT- RCWF et 96 caractéristiques pour les Contourlets.
Dix expériences, avec une répartition aléatoire de l'ensemble des données en une base d'apprentissage et une base de test, ont été réalisées pour chacune des trois transformations séparément, puis une combinaison de DT-CWT et DT-RCWF, et une combinaison de DT- CWT, DT-RCWF et des Contourlets.
La classification est effectuée en utilisant le code MatLab™ du classifieur Random Forest disponible à l'adresse (http://code.google.com/p/randomforest-matlab/) avec les valeurs recommandées pour le nombre d'arbres (1000) et le nombre de caractéristiques utilisées pour diviser le nœud dans le processus de croissance d'arbre de décision, noté Mtry ( /01 √, où D est la taille du vecteur des caractéristiques). Les taux moyens de bonne classification pour les dix expériences et leurs écart-type sont calculés et récapitulés dans le tableau 1.
Méthode d'extraction de paramètres
Taux de bonne classification
Moyenne 3
DT-CWT 85,20% 4,64%
DT-RCWF 84,67% 4,67%
DT-CWT + DT-RCWF 86,93% 5,33%
CT 80,62% 5,82%
DT-CWT + DT-RCWF + CT
89,07% 5,19%
Tableau 1: Taux de bonne classification obtenu avec 5 variantes d'extractions de caractéristiques
Nos expériences montrent que la méthode des Contourlets donne le moins bon taux moyen de bonne classification.
Les transformées DT-CWT et DT-RCWF ont un taux voisin et correct autour de 85%. La combinaison des transformées DT-CWT et DT-RCWF augmente le taux de classification de 1% à 2% en moyenne, mais puisque la valeur des écart-type est le double du gain en taux de bonne classification, nous pouvons considérer que le gain n'est pas significatif et que le DT-CWT, DT-RCWF et la combinaison DT-RCWF + DT-CWT ont des performances équivalentes.
En combinant les trois transformations, DT-CWT + DT- RCWF + CT, nous augmentons le taux de bonne classification d'environ 2% par rapport à la combinaison DT-RCWF + DT-CWT et d'un peu moins de 4% par rapport aux trois transformations utilisées seules. Dans tous les cas, une combinaison des trois méthodes donne de meilleurs résultats que chacune des méthodes pris séparément.
Pour étudier à quelles classes sont affectés les patchs mal classés, nous avons calculé plusieurs fois la table de confusion moyenne pour dix expériences dans le cas de l'utilisation de la combinaison des trois transformées, DT- CWT, DT-RCWF et Contourlets, pour l'extraction des caractéristiques de texture. Le tableau 2 est un exemple de la table de confusion moyenne obtenue pour un taux de bonne classification de 88%. La première ligne correspond aux classes dans lesquelles les 15 patchs de test de chacune des espèces de la colonne 1 sont affectés.
Nous pouvons constater que l'épicéa et le charme sont les deux espèces qui ont le plus grand nombre d'échantillons mal classés. En moyenne, 2 épicéas (13,3% des échantillons) ont été classés à tort comme du charme et inversement, en moyenne, 1 charme (6,6% des échantillons) a été classé à tort comme de l'épicéa. Il a été confirmé par plusieurs calculs de la table de confusion que l'épicéa et le charme sont les deux espèces qui sont le plus souvent considérés à tort l'une pour l'autre.
charme chêne hêtre pin épicéa
charme 13,1 0,5 0,2 0,2 1
chêne 0,2 13,3 0,6 0,3 0,6
hêtre 0 0,6 13,4 0,9 0,1
pin 0,4 0 0,2 14 0,4
épicéa 2 0,6 0,1 0,1 12,2
Tableau 2: Table de confusion moyenne pour la combinaison de DT-CWT, DT-RCWF et CT
5. Conclusions
Nous avons proposé dans cet article une nouvelle approche pour l'identification de 5 espèces d'arbres à l'aide de données T-LiDAR. Notre méthode est basée sur l'analyse multirésolution de la texture géométrique 3D de l'écorce et sur l'utilisation du classifieur "Random Forest".
Trois algorithmes d'analyse multirésolution, DT-CWT, DT-RCWF et Contourlets, sont utilisés pour extraire les caractéristiques de texture et leurs performances ont été comparées. Pour chaque expérience, le classifieur
"Random Forest" est exécuté 10 fois et le taux moyen de bonne classification ainsi que l'écart type sont évalués.
Les résultats obtenus montrent que la décomposition en Contourlets donne, avec 80,62% de bonne classification (écart type de 5,82%), le moins bon taux par rapport aux décompositions DT-CWT, DT-RCWF et leur combinaison DT-CWT/DT-RCWF. Ces trois décompositions donnent respectivement un taux moyen de bonne classification de 85,20%, 84,67% et 86,93%.
Ces trois transformations ont également des performances équivalentes puisque les écarts-types (environ 5%) sont environ deux fois la différence maximale du taux moyen de bonne classification (environ 2%). Après plusieurs
calculs de la table de confusion, nous avons également noté que l'épicéa et le charme sont les deux espèces qui sont le plus souvent considérées à tort l'une pour l'autre.
Dans les futurs travaux, nous prévoyons d'ajouter d'autres paramètres caractéristiques, d'évaluer la pertinence de chacun d'entre eux, et d'appliquer des techniques de réduction de dimensionnalité de l'espace de représentation afin d'améliorer le taux de bonne classification tout en ne conservant que les caractéristiques les plus pertinentes.
Remerciements
Travaux de recherche réalisés dans le cadre d'une thèse cofinancée par le Conseil Régional de Bourgogne et l'Office National des Forêts.
Bibliographie
[1] Dassot M, Constant T, Fournier M. 'The use of terrestrial LiDAR technology in forest science:
application fields, benefits and challenges'. Annals of Forest Science. 2011, 68, 959-974.
[2] Wulder MA, Bater CW, Coops NC, Hilker T, White JC. 'The role of LiDAR in sustainable forest management'. The Forestry Chronicle. 2008, 84 (6), 807-826.
[3] Othmani A, Piboule A, Krebs M, Stolz C, Lew-yan- voon L. 'Towards automated and operational forest inventories with T-Lidar', SilviLaser 2011, 11th International Conference on LiDAR Applications for Assessing forest Ecosystems, Hobart, Australia.
2011.
[4] Heinzel J, Koch B. 'Exploring full-waveform LiDAR parameters for tree species classification'.
International Journal of Applied Earth Observation and Geoinformation. 2011, 13 (1), 152-160.
[5] Donoghue DNM, Watt PJ, Cox NJ, Wilson J. ' Remote sensing of species mixtures in conifer plantations using LiDAR height and intensity data'.
Remote Sensing of Environment 2007, 110, 509- 522.
[6] Kim S, McGaughey RJ, Andersen HE, Schreuder G.
'Tree species differentiation using intensity data derived from leaf-on and leaf-off airborne laser scanner data'. Remote Sensing of Environment.
2009, 113, 1575-1586.
[7] Huang ZK. 'Bark Classification Using RBPNN Based on Both Color and Texture Feature'.
International Journal of Computer Science and Network Security. 2006, 6 (10), 100-103.
[8] Fiel S, Sablatnig R. 'Automated identification of tree species from images of the bark, leaves and needles', In: 16th Computer Vision Winter Workshop, Mitterberg, Austria, 2011.
[9] Holmgren J, Persson A. 'Identifying species of individual trees using airborne laser scanning'.
Remote Sensing of Environment. 2003, 90, 415-423.
[10] Puttonen E, Litkey P, Hyyppä J. 'Individual tree species classification by illuminated-shaded area separation'. Remote Sensing. 2009, 2 (1), 19-35.
[11] Taubin G. 'Geometric signal processing on polygonal meshes - state of the art report', SIGGRAPH, 2000.
[12] Alliez P, Tayeb S, Wormser C. AABB Tree; 2009.
[13] Tenenbaum JB, Silva Vd, Langford JC. 'A Global Geometric Framework for Nonlinear Dimensionality Reduction'. Science. 2000, 290 (5500), 2319-2323.
[14] Tuceryan M, Jain AK. Texture analysis. In: .C. H.
Chen LFP, P. S. P. Wang, editor. The Handbook of Pattern Recognition and Computer Vision. 2 ed:
World Scientific Publishing Co.; 1998. p. 207-248.
[15] Chang T, Kuo J. 'Texture analysis and classification with tree-structured wavelet transform'. IEEE Transactions on Image Processing. 1993, 2 (4), 429- 441.
[16] Kingsbury NG. 'Complex wavelets for shift invariant analysis and filtering of signals'. Journal of Applied and Computational Harmonic Analysis.
2001, 10 (3), 234-253.
[17] Kokare M, Biswas PK, Chatterji BN. 'Rotation- Invariant Texture Image Retrieval Using Rotated Complex Wavelet Filters'. IEEE Transactions on Systems, Man, and Cybernetics. 2006, 36 (6),1273- 1282.
[18] Kokare M, Biswas PK, Chatterji BN. 'Texture image retrieval using rotated wavelet filters'. Pattern Recognition Letters. 2007, 28, 1240-1249.
[19] Do M, Vetterli M. 'The contourlet transform: an efficient directional multiresolution image representation'. IEEE Transactions on Image Processing. 2005, 14 (12), 2091-2106.
[20] Breiman L. 'Random forests'. Machine Learning.
2001, 45, 5-32.
